下载文档原格式
![[PPT课件]现代信号处理-维纳和卡尔曼滤波](https://img.taocdn.com/s1/m/ee37c56427d3240c8447ef41.png)
讲维纳和卡尔曼滤波 kay的统计信号处理基础维纳和卡尔曼滤波是两种常用的统计信号处理方法。
维纳滤波是一种线性滤波方法，用于信号的恢复和优化，而卡尔曼滤波则是一种递推滤波方法，用于动态系统状态估计和预测。
它们在信号处理、控制系统、雷达等多个领域都有广泛的应用。
维纳滤波（Wiener Filter）是由美国工程师诺尔伯特·维纳在上世纪四十年代提出的。
它的基本思想是通过最小化估计值与实际值之间的平方误差，来优化信号的恢复。
维纳滤波器是一个线性时不变系统，通过对输入信号进行加权平均来恢复原始信号。
维纳滤波器的权重函数是通过信号的功率谱密度和叠加信号的互功率谱密度来计算的。
当信号和噪声的功率谱密度已知时，维纳滤波器可以恢复出信号的最佳估计。
维纳滤波的数学模型可以表示为：\[ Y(k) = \sum_{n=0}^{N-1}h(n)X(k-n) + V(k) \]其中，Y(k)是输出信号，X(k)是输入信号，h(n)是维纳滤波器的冲激响应，V(k)是噪声。
维纳滤波器的关键是计算出冲激响应h(n)，一般通过信号和噪声的功率谱密度来求解。
维纳滤波器的优点是简单易实现，计算量小，且可以通过对输入信号进行适当的加权平均来降低噪声。
但是，维纳滤波器对噪声和信号的功率谱密度的估计要求较高，对于非线性系统和非高斯噪声的处理效果较差。
相对于维纳滤波器，卡尔曼滤波（Kalman Filter）是一种更为复杂和高级的滤波方法，它由美国数学家鲁道夫·卡尔曼在上世纪五十年代提出，并在航天和导航领域得到了广泛应用。
卡尔曼滤波器是一种递推滤波方法，适用于状态变量随时间演化的动态系统。
卡尔曼滤波的基本思想是通过对系统状态进行递推估计，同时考虑系统的测量值和预测值，并根据它们的权重对估计值进行修正。
卡尔曼滤波器使用线性动力学模型来描述系统的状态变化，并基于高斯分布的统计特性来推导出滤波器的数学公式。
卡尔曼滤波器的数学模型可以表示为：\[ X_{k+1} = AX_k +Bu_k + w_k \]和\[ Z_k = HX_k + v_k \]其中，X_k是系统的状态向量，A是状态转移矩阵，B是输入控制向量，u_k是输入信号，w_k是过程噪声，Z_k是系统的观测向量，H是观测转移矩阵，v_k是观测噪声。
维纳滤波和卡尔曼滤波
哇塞！同学们，你们听说过维纳滤波和卡尔曼滤波吗？反正一开始我是完全不知道这俩是啥玩意儿。
就好像在一个神秘的科学王国里，突然冒出来两个奇怪的名字。
维纳滤波，这名字听起来是不是有点像某个超级英雄的技能？可它不是用来拯救世界的，而是在信号处理的世界里大展身手呢！
有一次上科学课，老师讲起维纳滤波，我那叫一个懵啊！老师说它就像是一个超级聪明的小助手，能把那些乱糟糟的信号变得整整齐齐。
我就想，这难道是有魔法吗？比如说，我们听到的广播里有时候会有沙沙的杂音，维纳滤波就能把这些杂音去掉，让声音变得清晰又好听。
这难道不神奇吗？
再说卡尔曼滤波，它就像是一个预测大师。
比如说，我们预测明天会不会下雨，可能不太准。
但卡尔曼滤波就能根据一堆的数据和信息，更准确地预测出一些变化。
我问同桌：“你能明白这俩滤波是咋回事不？”同桌摇摇头说：“我也迷糊着呢！”
后来老师又举了个例子，说维纳滤波好比是个精心整理房间的小管家，把房间里乱七八糟的东西归置得井井有条；卡尔曼滤波呢，就像是个能提前知道你需要什么东西的小精灵，早早地就给你准备好。
哎呀，虽然听了老师这么多例子，我还是觉得这俩滤波有点难理解。
不过我想，只要我努力学习，总有一天能搞清楚它们的！
同学们，你们是不是也和我一样，对维纳滤波和卡尔曼滤波充满了好奇和探索的欲望呢？反正我是下定决心要把它们弄明白啦！。
第二章 维纳滤波与卡尔曼滤波§2.1 引言信号处理的实际问题，常常是要解决在噪声中提取信号的问题，因此，我们需要寻找一种所谓有最佳线性过滤特性的滤波器。
这种滤波器当信号与噪声同时输入时，在输出端能将信号尽可能精确地重现出来，而噪声却受到最大抑制。
维纳(Wiener)滤波与卡尔曼(Kalman)滤波就是用来解决这样一类从噪声中提取信号问题的一种过滤(或滤波)方法。
实际上这种线性滤波问题，可以看成是一种估计问题或一种线性估计问题。
一个线性系统，如果它的单位样本响应为h (n )，当输入一个随机信号x (n )，且)()()(n n s n x υ+=(2.1)其中s (n )表示信号，)(n υ表示噪声，则输出y (n )为∑-=mm n x m h n y )()()((2.2)我们希望x (n )通过线性系统h (n )后得到的y (n )尽量接近于s (n )，因此称y (n )为s (n )的估计值，用)(ˆn s表示，即)(ˆ)(n sn y = (2.3)图2.1 维纳滤波器的输入—输出关系如图2.1所示。
这个线性系统)(⋅h 称为对于s (n )的一种估计器。
实际上，式(2.2)的卷积形式可以理解为从当前和过去的观察值x (n )，x (n -1)，x (n -2)…x (n -m )，…来估计信号的当前值)(ˆn s。
因此，用)(⋅h 进行过滤的问题可以看成是一个估计问题。
由于我们现在涉及的信号是随机信号，所以这样一种过滤问题实际上是一种统计估计问题。
一般，从当前的和过去的观察值x (n )，x (n -1)，x (n -2)，…估计当前的信号值)(ˆ)(n s n y =称为过滤或滤波；从过去的观察值，估计当前的或将来的信号值)0)((ˆ)(≥+=N N n sn y 称为预测或外推；从过去的观察值，估计过去的信号值)1)((ˆ)(>-=N N n sn y 称为平滑或插。
